Argonne的研究人员正在开发深度学习框架MaLTESE(用于发动机仿真和实验的机器学习工具)，以满足不断增长的需求，以提供更好的发动机性能，燃油经济性并减少排放。

汽车制造商正面临着不断增长的需求，以提供更好的发动机性能，燃油经济性并减少排放。然而，实现这些目标是一项艰巨的任务。

美国能源部(DOE)阿尔贡国家实验室的研究人员正在开发深度学习框架MaLTESE(用于发动机仿真和实验的机器学习工具)以应对挑战。

在日常通勤过程中，考虑到加速，减速和急停的过山车行驶，我们的发动机确实令人舔lick。个人的驾驶习惯，以及道路和天气状况，也会导致交通事故。

车辆制造商正在不断研究新方法，以优化在这些不同条件下的发动机运行。由于有20多种不同的参数会影响燃油经济性和排放，因此确定正确的方法可能会变得缓慢而昂贵。

但是，如果高性能计算(HPC)和机器学习工具可以筛选出无数的参数组合并实时预测成千上万的驾驶员通勤的结果呢?

美国能源部科学用户设施办公室Argonne Leadership Computing Facility(ALCF)利用超级计算资源，Argonne研究人员Shashi Aithal和Prasanna Balaprakash在开发MaLTESE时考虑了自动驾驶或自动驾驶以及连接云的车辆。但是首先，他们希望该框架可用于开发类似于制造商的机载系统，该系统将HPC和机器学习的功能结合在一起，以提供新型的实时自适应学习和控制。

为了调查各种驾驶和发动机工况对发动机性能和排放的影响，他们使用MaLTESE模拟了25万辆汽车的典型25分钟驾驶周期，这是高峰时段芝加哥四大高速公路的近似交通流量。

几乎使用了ALCF Theta系统(世界上功能最强大的超级计算机之一)的全部容量，在不到15分钟的时间内完成了仿真，比实际制作驱动器所花费的时间还少。

目前，即使在大型超级计算机上，完成一个引擎周期的高保真度仿真也需要几天，因为典型的驾驶周期或通勤有数千个不同的引擎周期。

Balaprakash说：“这是一个非常精确的计算流体动力学模型，需要大量的计算时间才能运行并获得输出。”“对于给定的驾驶条件和驾驶行为，我们想知道很多事情，例如氮氧化物和碳的排放量以及效率。模拟需要很长时间。”

但是Aithal之前曾开发过一种基于物理的实时发动机模拟器，称为pMODES(并行多燃料奥托柴油发动机模拟器)，它不仅比传统的发动机建模工具运行速度快得多，而且可以同时模拟成千上万个驱动器的性能和排放周期。pMODES是一种用于领导级机器上的驱动仿真的高影响力工具，于2015年获得了IDC Research(现为Hyperion研究)的HPC创新奖。

MaLTESE是Aithal的pMODES与Balaprakash研究的由仿真驱动的深度学习工具的合并。

来自pMODES的发动机仿真输出用于训练深度神经网络，以“学习”驾驶条件和发动机/变速箱设计如何影响车辆的性能和排放。然后，经过训练的神经网络可以在几微秒内预测一组输入的发动机性能和排放，从而将机载实时自适应控制置于可能性范围之内。

Balaprakash说：“仿真驱动的机器学习非常适合需要大量HPC资源的具有多个输入和多个输出的应用程序，” Balaprakash说。“可以用大量参数空间的相对较小的子集训练这些工具，然后将其用于对其他情况进行准确的预测，而无需实际进行模拟。”

团队在Theta上的模拟被认为是同时在领导级超级计算机上同时进行的最大的驾驶周期模拟，也是首次基于机器学习的高峰期城市道路和高速公路上成千上万辆汽车的驾驶周期特性预测小时。

ALCF主任说：“ MaLTESE的努力是Argonne超级计算资源如何使研究人员能够将大规模仿真与机器学习方法结合起来，以开发用于现实应用的新颖工具(例如发动机设计和自动驾驶技术)的一个很好的例子，” ALCF主任说。迈克尔·帕普卡(Michael Papka)。

该研究小组的研究结果已于2019年6月在德国法兰克福举行的ISC高性能会议上发表。

“ MaLTESE有潜力成为一种颠覆性技术，旨在实时模拟和学习有关发动机性能，排放和车辆动力学的关键信息，” Aithal说。“ MaLTESE可能导致HPC在汽车功能的设计，优化和实时控制中使用HPC的模式发生快速转变，这对自动驾驶汽车和互联汽车具有深远的影响。”